1.一种模糊加权鉴别信息提取的黄山毛峰等级鉴定方法，其特征在于，包括如下步骤：S1 ,采集黄山毛峰样本的近红外光谱：用傅里叶近红外光谱仪对黄山毛峰样本进行扫描，将采集到的黄山毛峰的近红外光谱数据存储在计算机中；S2，使用标准正态变量(SNV)对黄山毛峰近红外光谱进行预处理；S3，对黄山毛峰的近红外光谱数据进行维度压缩，使用主成分分析(PCA)对预处理后的黄山毛峰近红外光谱数据进行维度缩减；S4，黄山毛峰茶叶近红外光谱的特征信息提取：采用模糊加权方法对S3中维度缩减后的光谱数据进行特征信息的提取，计算出鉴别向量矩阵D；S5，根据鉴别向量矩阵D进行分类。2.根据权利要求1所述的一种模糊加权鉴别信息提取的黄山毛峰等级鉴定方法，其特征在于，所述步骤S1中，所述黄山毛峰样本包括特级一等、特级二等、特级三等、一级、二级、三级共六个等级，每个等级的黄山毛峰各采集60个，共有360个样品。3.根据权利要求1或2所述的一种模糊加权鉴别信息提取的黄山毛峰等级鉴定方法，其特征在于，采集360个样本的具体方法如下：用电子天平称量各等级茶叶约3.0克，然后将称量好的茶叶放入200毫升烧杯中，将100℃的水倒入烧杯中；待茶汤冷却至室温后，过滤掉茶渣，使用移液枪将少量茶汤滤液放入石英盘中，然后通过Antaris  II近红外仪进行测量，Antaris  II近红外光谱仪开机预热1小时，设置光谱仪波长范围为10000～4000cm‑1，光谱仪的采样模式设置为透射模式，光谱仪的采样频率、扫描间隔和采样次数分别设置为4cm‑1、3.857cm‑1和32，采集的光谱数据为1557维数据，每个样品采样3次，取平均值作为后续的实验光谱。4.根据权利要求1或3所述的一种模糊加权鉴别信息提取的黄山毛峰等级鉴定方法，其特征在于，所述S3对黄山毛峰的近红外光谱数据进行维度压缩时具体方法如下：采用主成分分析法计算近红外光谱数据的特征以及特征向量，将获得前6个最大特征值对应的特征向量作为光谱数据的投影降维向量，从而将1557维的黄山毛峰光谱数据降维至6维，对降维后的数据进行训练集和预测集划分，每种等级的黄山毛峰取70％(42个)作为训练集，剩余的每个等级的30％(18个)作为预测集。5.根据权利要求4所述的一种模糊加权鉴别信息提取的黄山毛峰等级鉴定方法，其特征在于，所述S4的方法具体如下：S4.1，初始化参数：黄山毛峰的训练样本数为n＝252，即每个等级42个训练样本，预测样本数为n1＝108，即每个等级18个预测样本，模糊权重指数m＝2，类别数为c＝6；S4.2，计算第k(1≤k≤252)个训练样本xk(xk为第t(1≤t≤6)类训练样本)隶属于第i(1≤i≤6)类的模糊隶属度μik：其中dik和dij表示样本xk和xj到类中心ci的欧式距离，图4为黄山毛峰训练集的模糊隶属度值；计算得：S4.3，计算数据的每一类的中心ci：计算得：

S4.4，计算模糊类间散射矩阵Sfb、模糊总体散射矩阵Sft和模糊加权全局模糊总体散射矩阵SWt：这里，是训练样本的均值，为加权后的训练样本均值，αkj是

一个n×n的近邻关系矩阵，||xj‑xk||表示样本xj和样本xk的欧式距离，

σ2为训练样本的方差；计算得：

S4.5，计算模糊总体散射矩阵Sfb的逆矩阵Sft‑1与模糊类间散射矩阵Sfb的乘积矩阵的特征值λ和特征向量其中，λ是的特征值，是相应的特征向量；把计算获得的特征值λ按从大到小排列，取前c‑1＝5的特征值为{λ1＝1 .0465 ,λ2＝

0.9903,λ3＝0.8753,λ4＝0.6075,λ5＝0.4115}，所对应的特征向量是把最大

的特征值λ1对应的特征向量作为鉴别向量矩阵的第一个列向量；S4.6，使用拉格朗日数乘法并结合约束条件和对特征

方程进一步计算得：其中，β为QSft‑1Sfb的特征值，是相应的特征向量；I

是6×6的单位矩阵，D是鉴别向量矩阵。6.根据权利要求5所述的一种模糊加权鉴别信息提取的黄山毛峰等级鉴定方法，其特征在于，计算得到的鉴别向量矩阵D如下：

7.根据权利要求1或6所述的一种模糊加权鉴别信息提取的黄山毛峰等级鉴定方法，其特征在于，所述步骤S5的实现方法包括：将S4.1的预测样本投影至鉴别向量矩阵D的鉴别向量上，获得经过特征提取后的预测样本并对其进行分类。8.根据权利要求1或7所述的一种模糊加权鉴别信息提取的黄山毛峰等级鉴定方法，其特征在于，针对预测样本进行分类时采用的方法是K近邻分类算法。